JURIKOM (Jurnal Riset Komputer), Vol. 7 No.

1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

Uji Akurasi Dataset Pasien Pasca Operasi Menggunakan Algoritma Naïve Bayes
Menggunakan Weka Tools
M. Rahmadi, Fazriyanor Kaurie, Tuti Susanti
Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Darwan Ali, Jakarta, Indonesia
Email: 1muhammad.rahmadi.mr@gmail.com, 2fazriyanorkaurie@gmail.com, 3susanty.tuty14@gmail.com
Submitted 03-02-2020; Accepted 09-02-2020; Published 15-02-2020
Abstrak
Data set pasien pasca operasi yang diambil untuk pengujian data ini bersumber dari repositori UCI pada website
https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient. Berdasarkan alamat website tersebut, penelitian dilakukan oleh Sharon
Summers, School of Nursing, University of Kansas, Medical Center, Kansas City, KS 66160 dan Linda Woolery, School of Nursing,
University of Missouri, Columbia, MO 6521. Jumlah atribut dari data set ini ada 8 dan 1 class, atribut yang dimaksud antara lain; L-
CORE (suhu internal pasien dalam C), L-SURF (suhu permukaan pasien dalam C), L-O2 (saturasi oksigen dalam %), L-BP (pengukuran
terakhir tekanan darah), SURF-STBL (stabilitas suhu permukaan pasien), CORE-STBL (stabilitas pasien), BP-STBL (stabilitas tekanan
darah pasien), KENYAMANAN (persepsi kenyamanan pasien saat pulang, yang diukur sebagai bilangan bulat antara 0 dan 20) dan
class keputusan ADM- DECS/keputusan keluar pasien dengan keterangan (I = pasien dikirim ke unit perawatan intensif, S = pasien
bersiap untuk pulang, A = pasien dikirim ke general hospital floor).
Kata Kunci: Data Mining, Algorithm, Naïve Bayes, Post-Operative, Experimenter
Abstract
Postoperative patient data sets taken for testing of this data are sourced from the UCI repository on the website
https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient. Based on the website address, the study was conducted by Sharon
Summers, School of Nursing, University of Kansas, Medical Center, Kansas City, KS 66160 and Linda Woolery, School of Nursing,
University of Missouri, Columbia, MO 6521. Number of attributes from this data set there are 8 and 1 class, the attributes in question
include; L-CORE (patient's internal temperature in C), L-SURF (patient's surface temperature in C), L-O2 (oxygen saturation in%), L-
BP (last measurement of blood pressure), SURF-STBL (stability of the patient's surface temperature ), CORE-STBL (stability of the
patient), BP-STBL (stability of the patient's blood pressure), COMFORT (perceived comfort of the patient at discharge, measured as an
integer between 0 and 20) and ADM-DECS decision class / patient exit decision with information (I = patient sent to intensive care unit,
S = patient ready to go home, A = patient sent to general hospital floor).
Keywords: Data Mining, Algorithm, Naïve Bayes, Post-Operative, Experimenter

1. PENDAHULUAN
Setiap suatu peristiwa ataupun kejadian, pada umumnya memiliki sebuah data, salah satunya adalah data pada pasien pasca
operasi. Kebanyakan dari orang-orang yang mau melakukan operasi hanya berfokus pada keberhasilan suatu operasi dan
kembali pulih seperti semula.
Namun, masih banyak yang belum menyadari bahwa pemulihan setelah operasi dilakukan juga bagian yang harus
dipersiapkan dengan baik, mulai dari efek samping setelah melakukan operasi yang bisa membuat tubuh seseorang merasa
tidak nyaman dan bahkan mungkin adanya risiko komplikasi setelah melakukan operasi tersebut yang bahkan sampai harus
meninggal dunia.
Beberapa kasus yang sering terjadi setelah melakukan operasi, biasanya pasien mengeluh karena susahnya buang air
kecil yang di tandai dengan rasa perih dan sebagainya pada saat buang air kecil.
Selain susah buang air kecil, biasanya beberapa pasien mengeluhkan sakit pada tenggorokan mereka, hal ini
kemungkinan dikarenakan pada sebelum dan saat operasi pasien disuruh untuk berpuasa sehingga hal tersebut membuat
beberapa pasien merasa dehidrasi dan masih ada beberapa lagi dari efek samping dari pasien pasca operasi, seperti mual,
muntah-muntah dan bahkan ada pasien yang demam setelah melakukan operasi.
Menurut Mulyono (2008) pemulihan pasien pasca operasi membutuhkan waktu rata-rata 72,45 menit [1], sehingga
pasien akan merasakan nyeri yang hebat rata-rata pada dua jam pertama sesudah operasi karena pengaruh obat anestesi
sudah hilang (Potter & Perry, 2010) [2]. Bentuk nyeri yang dialami oleh klien pasca operasi adalah nyeri yang terjadi
karena adanya luka insisi bekas pembedahan (Perry & Potter, 2006) [2].
Menurut penelitian Subekti et al, (2005) laporan dari “The Anesthesia Study Commission of the Philadelphia County
Medical Society” pada tahun 1947 yang melaporkan bahwa selama 11 tahun penelitian ternyata hampir setengah dari
kematian post operasi terjadi pada 24 jam pertama setelah pembedahan dan minimal sepertiga dari kematian yang terjadi
akibat komplikasi pasca operasi.
Studi prospektif yang baru juga mengatakan bahwa lebih dari 12.000 pasien yang telah dilaporkan, ternyata 7% dari
komplikasi yang bermakna terjadi di ruang pulih sadar dan sampai dengan berakibat fatal [3].
Dari beberapa penjelasan dari pasien pasca operasi tersebut, tentunya sebuah rumah sakit yang bersangkutan
merekam atau menulis kejadian tersebut untuk dijadikan sebuah data yang kemudian dijadikan lagi sebagai bahan
pembelajaran atau perbandingan terhadap penanganan pasien operasi selanjutnya.
Dari data tersebut, tidak jarang juga dijadikan sebagai bahan untuk penelitian ilmiah dan sebagai contoh adalah data
yang yang di ambil dari repositori UCI pada website https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient yang

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 134

 JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

dijadikan sebagai bahan penelitian pada jurnal ini, dimana di sini terdapat 90 set data dengan jumlah atributnya 8 dan 1
class.
Pada atribut tersebut menyebutkan keadaan dari pasien pasca operasi berdasarkan dari suhu internal dari tubuh
pasien ataupun suhu permukaan dari tubuh pasien, tekanan darah terakhir kali dilakukan pengecekan, dan stabilitas
keadaan dari pasien pasca operasi serta ada sebuah class yang menentukan pasien pasca operasi tersebut apakah pasien
tersebut sudah dibolehkan untuk pulang atau harus melakukan perawatan intensif lagi setelah pasca operasi.
Dari set data yang telah di peroleh tersebut, selanjutnya dapat dijadikan sebagai sebuah penelitian atau pengujian
nilai akurasi dari dataset yang dituangkan dalam jurnal ini.
Dalam mengukur keakuratan dari data tersebut, dapat digunakan sebuah algoritma Naïve Bayes. Algoritma Naïve
Bayes adalah sebuah metode yang dapat digunakan sebagai sebuah pengklasifikasian data dengan menggunakan metode
probabilitas dan statistik. Biasanya, ciri utama dari metode Naïve Bayes adalah memiliki sebuah asumsi yang sangat kuat
terhadap independensi dari masing-masing suatu kejadian/kondisi.
Adapun keuntungan dari penggunaan metode ini adalah, bahwa metode ini cukup membutuhkan jumlah data yang
tidak terlalu besar (training data) untuk menentukan suatu estimasi dari sebuah parameter dalam proses pengklasifikasian.
Untuk mengimplementasikan metode Naïve Bayes data-data haruslah terlebih dahulu di konversi menjadi bentuk diskrit
dengan cara dikelompokan.

2. METODE PENELITIAN
2.1 Data Mining
Data mining, sering juga disebut Knowledge Discovery In Database (KDD) adalah kegiatan yang meliputi pengumpulan,
pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran dari data
mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Saat ini istilah pengenalan pola (pattern
recognition) jarang digunakan karena termasuk bagian dari data mining (Prasetyo, 2012) [4].
Berdasarkan fungsinya, data mining dikelompokan menjadi 6 yaitu deskripsi, estimasi, prediksi, klasifikasi,
clustering, dan asosiasi (Larose, 2005). Klasifikasi (taksonomi) adalah proses menempatkan objek tertentu (konsep) dalam
satu set kategori, berdasarkan masing-masing objek (konsep) property (Gorunescu, 2011).
Proses klasifikasi didasarkan pada empat komponen mendasar yaitu kelas, prediktor, training set, dan pengujian
dataset. Di antara model klasifikasi yang paling popular adalah Decision/Classification Trees, Bayesian Classifiers/Naïve
Bayes Classifiers, Neural Networks, Statistical Analysis, Genetic Algorithms, Rough Sets, K-Nearest Neighbor Classifier,
Rule based Methods, Memory Based Reasoning, Support Vector Machines (Gorunescu, 2011) [5].
2.2 Pasien Pasca Operasi (Post Operative)
Post Operative adalah masa setelah dilakukan pembedahan yang dimulai saat pasien dipindahkan ke ruang pemulihan dan
berakhir sampai evaluasi selanjutnya (Uliyah &Hidayat, 2008) [6]. Adapun tahapan dari pasien pasca operasi yang dimana
dimulai dari memindahkan pasien dari ruangan bedah ke unit pasca operasi dan berakhir saat pasien pulang atau tetap
melakukan perawatan intensif karena beberapa hal dan sebagainya.
Adapun jenis-jenis operasi Menurut fungsinya dan tujuannya, antara lain (Potter dan Perry 2006) :
a) Diagnostik: biopsi, laparotomi eksplorasi.
b) Kuratif (ablatif): tumor, appendiktom.
c) Reparatif: memperbaiki luka multiple .
d) Rekonstruktif: mamoplasti, perbaikan wajah.
e) Paliatif: menghilangkan nyeri.
f) Transplantasi: penanaman organ tubuh untuk menggantikan organ atau struktur tubuh yang malfungsi [6].
Komplikasi Pasca Operasi, menurut Baradero (2008) komplikasi post operasi yang akan muncul antara lain yaitu
hipotensi dan hipertensi. Hipotensi didefinisikan sebagai tekanan darah systole kurang dari 70 mmHg atau turun lebih dari
25% dari nilai sebelumnya.
Hipotensi dapat disebabkan oleh hipovolemia yang diakibatkan oleh perdarahan dan overdosis obat anestetika.
Hipertensi disebabkan oleh analgesik dan hipnosis yang tidak adekuat, batuk, penyakit hipertensi yang tidak diterapi, dan
ventilasi yang tidak kuat [6].
Sedangkan menurut Majid, (2011) komplikasi post operasi adalah perdarahan dengan manifestasi klinis yaitu
gelisah, gundah, terus bergerak, merasa haus, kulit dingin-basah-pucat, nadi meningkat, suhu turun, pernafasan cepat dan
dalam, bibir dan konjungtiva pucat dan pasien melemah [6].
2.3 Metode Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
Dalam mencapai tujuan tersebut, proses klasifikasi membentuk suatu model yang mampu membedakan data ke dalam
kelas-kelas yang berbeda berdasarkan aturan atau fungsi tertentu. Model itu sendiri bisa berupa aturan “jikamaka”, berupa
pohon keputusan, atau formula matedies (Bustami, 2014) [7].

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 135

 JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

2.4 Metode Naïve Bayes

Teori keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recognition),
pendekatan ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan
probabilitas dan ongkos yang ditimbulkan dalam keputusan tersebut.
Selain itu Bayes Classification juga dapat memprediksi probabilitas keanggotaan suatu class pada teorema bayes yang
memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network. Bayesian Classification terbukti
memiliki akurasi dan kecepatan yang tinggi saat di aplikasikan kedalam database dengan data yang besar (Jananto, 2013)
[7].
2.5 WEKA
The Waikato Environment for Knowledge Analysis (Weka) adalah rangkaian lengkap perpustakaan kelas Java yang
mengimplementasikan banyak state-of-the-art pembelajaran mesin dan algoritma data mining.
Aplikasi yang ditulis menggunakan library class dapat dijalankan pada komputer manapun dengan kemampuan browsing
Website, ini memungkinkan pengguna untuk menerapkan teknik pembelajaran mesin untuk data mereka sendiri terlepas
dari platform komputer (Witten, Frank & Hall, 2011) [6].
Weka mulai dikembangkan sejak tahun 1994 dan telah menjadi software data mining open source yang paling
populer. Weka mempunyai kelebihan seperti mempunyai banyak algoritma data mining dan machine learning, kemudahan
dalam penggunaannya, selalu up-to-date dengan algoritma-algoritma yang baru. Software Weka tidak hanya digunakan
untuk akademik saja namun cukup banyak dipakai oleh perusahaan untuk meramalkan bisnis dari suatu perusahaan.Semua
teknik Weka adalah didasarkan pada asumsi bahwa data tersedia sebagai flat file tunggal atau hubungan, dimana setiap titik
data digambarkan oleh sejumlah atribut (biasanya, atribut numerik atau nominal, tetapi beberapa jenis atribut lain juga
didukung).
2.6 Kerangka Penelitian
Penelitian yang di lakukan menggunakan metode atau algoritma Naïve Bayes dan aplikasi ataupun tools yang di gunakan
adalah aplikasi Weka.
Disini penelitian yang di lakukan menggunakan data set pasien pasca operasi yang di ambil dari repositori UCI
(Universitas California, Invene) yang ada pada website https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient.
Adapun langkah-langkah yang di lakukan dalam hal melakukan penelitian, antara lain :

Gambar 1. Kerangka Penelitian

Pengumpulan data merupakan langkah utama dalam penelitian ini, karena tujuan dari penelitian ini adalah untuk
mendapatkan sebuah data yang akurat. Adapun data yang di gunakan dalam penelitian ini adalah jenis dari data sekunder,
karena data ini di peroleh dari browsing di internet pada website UCI Repositori.

3. ANALISA DAN PEMBAHASAN

Teknik yang di gunakan dalam mengolah data ini adalah menggolongkan data berdasarkan hasil dari atribut class-nya.
Adapun data yang diperoleh adalah sebanyak 90 data set dengan 2 data berada di class I, 24 data berada di class S dan 64
data berada di class A. Biasanya yang di dapat contohnya seperti berikut post-operative.data (menggunakan Notepad++).

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 136

 JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

Gambar 2. Post Operative Data

Maka langkah untuk membuat data tersebut menjadi sebuah kolom adalah tambahkan atribut kolom yang telah di
unduh (post-operative.names) sebelumnya pada baris paling atas, sehingga kolom tersebut nantinya akan menjadi sebuah
kolom yang sempurna.

Gambar 3. Data Post Operative Data yang disimpan

Selanjut, Save As file (post-operative.data) dan ubah format penyimpanan menajadi (post-operative.csv), agar bisa di buka
dengan menggunakan Ms. Excel.
Metode yang digunakan dalam penelitian ini adalah metode klasifikasi data mining algoritma Naïve Bayes dan perhitungan
pengujian model menggunakan aplikasi Weka.
3.1 Pengujian metode untuk menemukan hasil.
Jika yang ada tersebut diuji maka akan menampilkan hasil berikut:

Gambar 4. Hasil data yang telah diuji

Selanjutnya Save As data tersebut dan ganti formatnya yang tadinya (_hasil.arff) menjadi (_hasil.csv). maksudnya adalah
agar data tersebut bisa dibuka dengan Ms. Excel.

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 137

 JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

Gambar 5. Penyimpanan hasil uji

File (_hasil.csv) yang telah disimpan tadi dan ambil hanya nilai dari kolom (True_positive_rate, False_positive_rate,
True_negative_rate, False_negative_rate) saja. Tujuannya adalah untuk mencari nilai dari akurasinya dengan
menggunakan rumus:

Nilai_Akurasi = (1)

Gambar 6. Keakuratan hasil uji

Berdasarkan nilai rata_rata diatas menunjukan bahwa keakuratan dari data tersebut hanya 0,510.

4. KESIMPULAN
Berdasarkan hasil uji eksperimenter dan pembahasan yang telah dilakukan diatas, adapun kesimpulan yang diperoleh dari
pengujian dataset pasien pasca operasi (post operative), yaitu :
a. Dari hasil perhitungan eksperimenter yang telah dilakukan, maka hasil atau nilai akurasi yang didapatkan adalah 0,510.
b. Hasil atau nilai akurasi yang diperoleh merupakan nilai dari dataset pasien pasca operasi yang diperoleh dari repositori
UCI (Universitas California, Invene) yang dihitung dengan metode Naïve Bayes dengan menggunakan tools dari Weka.
c. Pada eksperimenter uji akurasi di atas menggunakan Cross-validation, number of folds adalah 10 dengan metode
classification dan untuk Iteration Control, Number of repetitions-nya adalah 30. Yang artinya adalah, untuk
eksperimen yang dilakukan tersebut diatas diatur dengan menggunakan validasi silang sebanyak 10 putaran dan setiap
kombinasi algoritma dan datasetnya dijalankan sebanyak 30 kali kontrol iterasi.

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 138

 JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139

d. Selain menggunakan algoritma Naïve Bayes untuk melakukan uji akurasi maupun klasifikasi dataset, dapat juga
menggunakan algoritma lainnya untuk melakukan klasifikasi data, contoh seperti algoritma J48, HoeffdingTree dan
lain-lain.
REFERENCES
[1] N. Suhartini, K. Maykel, and J. Rottie, “PENGARUH TEKNIK RELAKSASI TERHADAP INTENSITAS NYERI PADA PASIEN POST
OPERASI FRAKTUR DI RUANG IRNINA A BLU RSUP PROF Dr. R.D KANDOU MANADO,” ejournal keperawatan (e-Kp), vol. 1, pp. 1–6,
2013.
[2] M. S. Rohmayani and J. Suwito, “INTENSITAS NYERI KLIEN PASCA OPERASI MAYOR DI RUMAH SAKIT ISLAM JEMURSARI
SURABAYA,” J. KEPERAWATAN, vol. X, no. 2, pp. 91–97, 2017.
[3] S. et Al, “No Title,” Anesth. Study Comm. Philadelphia Cty. Med. Soc. 1947, vol. x, pp. 1–7, 2005.
[4] M. Sabransyah, Y. N. Nasution, and D. Tisna, “Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung Naive Bayes Method for a
Heart Risk Disease Prediction Application,” J. EKSPONENSIAL, vol. 8, pp. 111–118, 2017.
[5] W. D. Septiani, P. Studi, and M. Informatika, “KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5DAN NAIVE
BAYESUNTUK PREDIKSI PENYAKIT HEPATITIS,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 76–84, 2017.
[6] P. Studi and T. Informatika, “Analisis Pola Pemilihan Konsentrasi Ilmu Jurusan Sistem Informasi Di STMIK TIME,” J. TIMES, vol. VI, no. 2, pp.
37–43, 2017.
[7] D. Novianti, “Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner,” J. Komput. dan Inform. Akad. Bina
Saran Inform., vol. XXI, no. 1, 2019.

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 139